Tiefe Lernverfahren zur Verbesserung der frühzeitigen Erkennung von Brustkrebs bei Screening-Mammographie

Die rasche Entwicklung des Deep Learning, einer Gruppe von maschinelles Lernen-Techniken, hat großes Interesse an dessen Anwendung auf medizinische Bildgebungsaufgaben geweckt. In dieser Arbeit entwickeln wir einen Deep-Learning-Algorithmus, der mit einem "End-to-End"-Trainingsansatz Brustkrebs auf Screening-Mammogrammen genau erkennen kann. Dieser Ansatz nutzt Trainingsdatensätze effizient, die entweder vollständige klinische Annotationen oder nur den Krebsstatus (Label) des gesamten Bildes enthalten. Bei diesem Verfahren sind Läsionsannotationen nur im Anfangsstadium der Ausbildung erforderlich, während nachfolgende Stufen nur bildbasierte Labels benötigen, was die Abhängigkeit von selten verfügbaren Läsionsannotationen beseitigt.Unsere Methode mit vollständig konvolutorischen Netzen zur Klassifizierung von Screening-Mammogrammen erzielte im Vergleich zu früheren Methoden ausgezeichnete Ergebnisse. Bei einem unabhängigen Testdatensatz von digitalisierten Film-Mammogrammen aus der Digital Database for Screening Mammography (DDSM) erreichte das beste einzelne Modell einen pro-Bild-AUC-Wert von 0.88, und das Durchschnittsergebnis von vier Modellen verbesserte den AUC-Wert auf 0.91 (Sensitivität: 86.1%, Spezifität: 80.1%). Bei einem Validierungsdatensatz von vollfeld-digitalen Mammogrammen (FFDM) aus der INbreast-Datenbank erreichte das beste einzelne Modell einen pro-Bild-AUC-Wert von 0.95, und das Durchschnittsergebnis von vier Modellen verbesserte den AUC-Wert auf 0.98 (Sensitivität: 86.7%, Spezifität: 96.1%).Wir zeigen außerdem, dass ein ganzbild-Klassifikator, der mit unserem End-to-End-Ansatz auf den DDSM-digitalisierten Film-Mammogrammen trainiert wurde, auf INbreast-FFDM-Bilder übertragen werden kann, indem nur ein Teil des INbreast-Datensatzes für die Feinabstimmung verwendet wird und ohne weitere Abhängigkeit von der Verfügbarkeit von Läsionsannotationen. Diese Ergebnisse zeigen, dass automatische Deep-Learning-Methoden leicht trainiert werden können, um hohe Genauigkeit auf heterogenen Mammographieplattformen zu erzielen und großes Potenzial bieten, um klinische Werkzeuge zu verbessern und falsch-positive sowie falsch-negative Screening-Ergebnisse zu reduzieren.